3.20 RCT workshop 2在线视频

那么接下来我们就要考虑说

既然我们刚才观察到了组间差异

我们怎么样把组间差异把它分析出来

那么我们用的命令咱有多个每一个的算法不一样

那么我们先用的就是xt regression

xt

regression实际上它也是在面板数据里面经常使用的

我们大家看一下

首先是xt regression不再是

regression了

前面加了xt的前缀y还是放在这里

没有放任何的x就是一个空模型

主要是在看它的方差

那么后面需要告诉stata我的分组变量是谁

这个option就是 I加上小括号里面分组变量的

ID

这里就是school ID

那么是这样的一个方程

就大家选中第17行

选中以后跑一下

那么这个时候你们就会得到这样的一个 output

是不是

我们来看一下

那么这个就跟刚才结果不一样了

它用的首先是什么

它是一个随机效应

模型

它用的是广义的

最小二乘法

这个是group variable呢是school

ID就告诉你了

这个就来检验你的方程是不是设定是对的

那么这个地方报告了 number of

observations

这个是总的样本量不变

学生的数量是2334

接着报告了number of groups

这个报告的就是 school ID所识别出来的有

多少个组

41个

这个是我们的学校的数量

这是没错的

接着他报告了每一个组里面最少的样本量就是有的学校

里面只有10个人

那么最大的是134

有的学校里面是134个人把这个报告出来了

那么接着我们来看

这个是它的假设了

这个也是我们之前说的随机效应模型的假设

就是μij跟所有的x它是不相关的

接着我们来看下面 constant是截距项了

大家可以看到这个是477跟前面ols报告的478

基本上是相等的差一点点

但是这个standard error怎么样

这个standard error是1.4

之前的是什么

是0.4

之前的这个是怎么样

低估了

我们用ols就低估了它的标准误

下面这个标准误才是无偏的

那么接着报告的两个值

一个是什么

σμ

一个是

σε这个e是ε

这个就分别是我们模型里面的μ是第二层是school

level的

e是第一层是student level的

它的方程的两个残差

一个是组内的残差

一个是组间的 variation

它组间的方程的残差的值分的标准差分别是多少

σ是标准差

它不是方差

把ρ也给我们报告出来了

ρ

而且还解释了一下 fraction of

variance due to ui ρ是

多少

是0.2 0.2是不是还挺高的

根据我们刚才 power analysis

0.1都已经让我们损失很多的power了

那么这个地方它的ρ是0.2

ok那么这个ρ是怎么算的呢

是按照这个公式

应该是 e的方差除以e的方差加上u的方差

那么这个地方他报告的不是方差

这个地方报告的是什么

标准差是所以说要怎么样

要平方之后才能够做计算

所以我们看在给大家 do file里面

我们加上了计算平方

当然你用Excel也是可以算出来的

那么大家看一下

21行 display就是当你跑完一个回归以后

用display这个命令就可以把它把dstata里面算

出很多参数值上都报告出来

因为stata不会一个都报告

你就可以让它报告

σu的平方以及σe的平方

那么就都会报告出来

大家可以跑下这两行

这两行报告出来的结果就可以拿它直接做一个比较

来去算我们的ρ

因为时间关系咱就不不一个一个的来去看了

这个是比较简单的

那么这样的话其实我们是不是就非常清楚了

在rct里面当然有 cluster的时候

我们应该怎么去分析

那么也就是说我们换命令了换成MC

以及我们要告诉stata谁是分组变量

刚才是空模型

做一个什么事情

那么请大家自己来写一下这个方程

考虑cluster的这种情况

你应该怎么样写方程能够得到sfa的

treatment effect

也就是说我们要加一个自变量

好不好

你只需要加一个sfa自变量就可以了

不需要加控制变量好吧

那么大家现在自己写一下

根据前面的方程相信你们可以写出来

好

我们好像看到了蓝文的共享

写的很对

蓝文大家可以看到就是蓝文共享的屏幕

我们是不是在这个地方就是加入了sfa就可以了

非常简单

多加了一个自变量

是不是

大家是不是都跑到了都得到了这样的一个结果

那么后面来算残差的方差都是一样的

是吧

其他同学有没有共享你的屏幕

我觉得现在我好像可以看到很多人的屏幕了

好

那么我接着共享我的屏幕了

技术太多就是搞不定

好

那么这个大家都可以来算出来

那么我们再找一位同学请你来报告一下你的结果

好不好

这样我们后面再报告

我们后面还有别的练习

主要是时间压力比较大

我们可以看到加上sfa之后

大家会发现这样的一个结果

首先前面的这些值会有一些变化

这些不会有变化

卡方检验会有一个变化

它这个值原来是空模型

现在是有一个值了

between的 R square的增加了

因为我们在between比如在 school

level增加了自变量

所以between的 r square有所增加

从0变成0.04了

但是非常小

为什么

大家来看一下 sfa的系数是4

ok

但是他的 t检验的结果怎么样

它的 p值是0.127

那么也就是说它是不显着的

对不对

那么所以说模型的唯一的变量不显着

这个模型它就不显著

所以大家可以看到卡方检验的值

p值它也是一样的不显著的

它俩是完全对等的

当然了我们可以看一下μ

σμ应该是减小了一点点

因为我们毕竟在这一层加了一个自变量

它变成了8.75

我们可以看一下之前的值是多少

时间是8.87

介绍一点点

所以这个ρ从0.2就降到了0.19

非常小的一个变化

好

那么我们现在来怎么样来加入控制变量

也就是说下面这个 model three

我们加入控制变量

我们这里唯一的控制变量是什么

就是这个学校的平均前测成绩

这个是school level的前测成绩

那么请大家就把 school level的前测成绩

加进去

跑一下模型

以及你们在顺带着下一步把 student

level的前测成绩作为student level的控制变量

也加进去

两把这两个模型跑一下